Few short learning

用很少的样本进行分类或者是回归

support set：小的数据集（无法训练出深度神经网络）

few short learning的目标是让机器自己学会学习。

few shot learning是一种meta learning（learn to learn）

举个例子：

当一个小朋友第一次去动物园时，他可能只能识别一些常见的动物，比如猫、狗、鸟等。这相当于在机器学习中的零样本学习，小朋友可以看作是具有元学习（meta-learning）能力的模型。而当小朋友看到一个不认识的动物（如水獭）时，他可以根据一张动物卡片来学到这个动物是水獭，这就叫做one shot learning。

Supervised learning vs Few-Shot learning

在监督学习中，模型通过大量的标记数据进行训练，每个样本都有相应的标签。在测试阶段，模型需要对其未见过的样本进行分类或回归。这些测试样本的类别通常在训练集中已经出现过，因此模型在训练过程中可以学习到不同类别之间的关系，以便在测试时进行泛化。

如这张哈士奇的图片不在训练集的图片中，但是训练集包含哈士奇这个类。

而在Few-shot learning中，模型只能从少量的训练样本中学习。在测试阶段，模型需要对未见过的类别进行分类或回归。这些测试样本不仅在训练集中未出现过，而且模型也没有直接训练过与这些类别相关的特征。因此，Few-shot learning更具挑战性，需要模型具有更强的泛化能力，以便从少量样本中学到普遍的特征。

如这张兔子的图片不在训练集的图片中，且训练集不包含兔子这个类。

因此模型无法直接根据兔子图片识别出兔子这个类别。所以需要额外添加一个support set：其中包含了少量的训练样本，用于帮助模型在测试时进行分类或回归。这些支持集的样本通常来自于少量的类别，每个类别可能只有一个或很少的样本。

模型可以通过判别query set和support set之间的差异来分辨属于哪一个类。

basic idea

Few-shot learning的一种基本思想是"学习相似性函数"，即让模型学习一个能够衡量输入之间相似程度的函数。这个函数可以用来衡量两个样本之间的相似性，从而在测试时将新样本映射到训练样本的类别上。

比如以下例子：

具体来说，学习相似性函数的步骤可能如下：

1. 给定一个训练集，其中包含少量的训练样本和相应的标签。
2. 使用这些训练集样本来训练模型，目标是学习一个能够将输入样本映射到相似性空间的函数。
3. 在测试时，将query样本与支持集中的样本进行比较，并利用学习到的相似性函数来确定其类别或回归值。